开发和验证一个深度学习算法,用于预测儿科的超声波图像和X射线图像中的复发性肠接
1Department of Radiology, Children's Hospital of Soochow University, Suzhou, China.
BMC medical imaging
|March 3, 2025
概括
使用超声波和X射线图的深度学习模型可以预测反复发生的内. 多模式成像融合显著提高了预测准确性,为临床使用提供了有前途的工具.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 肠接是婴儿常见的外科紧急情况.
- 预测反复发生的内肠置对于及时的干预和管理至关重要.
研究的目的:
- 开发和评估一种用于使用腹部超声波 (US) 图像和放射图像的深度学习来预测复发性内肠接的预测模型.
- 为了比较在单个成像模式上训练的模型的性能与融合的多式联络数据.
主要方法:
- 追溯分析3665个内肠异常病例 (2017-2022年).
- 开发用于图像分析的深度学习模型 (美国的VGG11,X线图的ResNet18).
- 应用平均和堆叠的融合方法来结合来自单个模型的预测.
主要成果:
- 在X光片上的ResNet18获得了最高的AUC (0.809).
- 平均化聚变改善了AUC,达到0.877.
- 与LightGBM的堆叠融合实现了最佳AUC (0.897),证明了卓越的预测性能.
结论:
- 使用多式联络医疗成像的深度学习模型显示出预测复发性内置的巨大潜力.
- 图像融合技术提高了预测准确性,这表明它在临床决策中发挥了宝贵的作用.


